Budujemy e‑commerce, który rozumie użytkowników

Chcemy wykorzystać sztuczną inteligencję do poprawy wygody zakupów (UX). Dzięki nowym rozwiązaniom planujemy osiągnąć:

• Większą skuteczność sprzedaży – zakładamy, że liczba osób, które pomyślnie ukończą proces konfiguracji produktu, wzrośnie o co najmniej 15%.
• Oszczędność czasu – sam proces dopasowania produktu ma stać się o 20% szybszy dla klienta.
• Mniej pomyłek – wprowadzamy mechanizmy, które automatycznie wyłapią błędy techniczne w zamówieniu, co zapobiegnie nietrafionym zakupom i zmniejszy liczbę zwrotów.

Budujemy zaawansowane zaplecze techniczne i wdrażamy narzędzia, które pozwolą nam uczyć się na podstawie rzeczywistych zachowań użytkowników. Na tej podstawie opracowujemy trzy kluczowe modele AI:

1. Asystent kolejnego kroku – system, który uczy się na podstawie wyborów innych klientów i podpowiada użytkownikowi najbardziej prawdopodobne parametry (np. zaproponuje pasujący dodatek do wybranego wcześniej smaku czekolady).
2. Wsparcie w tworzeniu treści – model pomagający klientom w personalizacji produktów, np. poprzez sugerowanie treści życzeń lub dedykacji dopasowanych do okazji.
3. Wykrywanie anomalii – inteligentny mechanizm, który w czasie rzeczywistym sprawdza, czy wybrane przez klienta opcje do siebie pasują. Jeśli wykryje błąd, poinformuje o tym „ludzkim” językiem i od razu zaproponuje poprawne rozwiązanie.

Ten etap zakończymy stworzeniem w pełni działającego prototypu systemu rekomendacji. Potwierdzona w ten sposób technologia będzie gotowa do dalszej integracji z platformą Hummerce, co stanowi fundament dla nowej jakości zakupów online.

Głównym wyzwaniem jest przełamanie barier w procesie zakupowym poprzez zastosowanie personalizacji opartej na danych. Dzięki nowym modelom AI planujemy osiągnąć:

• Wzrost konwersji – to najważniejszy cel biznesowy tego etapu; dzięki zastosowaniu zaawansowanej personalizacji i precyzyjnemu dobieraniu zachęt zakupowych w czasie rzeczywistym, planujemy osiągnąć wzrost wskaźnika konwersji o 5%.
• Wyższa skuteczność promocji – system będzie automatycznie decydować, czy konkretny klient potrzebuje zachęty (np. rabatu lub darmowej dostawy), aby sfinalizować transakcję, czy też dokonałby zakupu bez dodatkowych kosztów dla sklepu. Pozwala to na optymalizację ROI i wyeliminowanie „przepłacania” za nieefektywne promocje.
• Wzrost przychodów – zakładamy, że inteligentne dopasowanie ofert przełoży się na zwiększenie przychodów na każdą sesję użytkownika o średnio 8%.
• Precyzyjne przewidywanie intencji – nasz model AI (oparty na architekturze DCN-V2) ma osiągnąć wysoką trafność w rozpoznawaniu zamiarów zakupowych klientów, mierzoną wskaźnikiem AUC-ROC na poziomie powyżej 0,80.

W tej fazie będziemy analizować ogromne zbiory danych (z ostatnich 2 lat historii zamówień) i zbudujemy zaawansowane profile klientów. Kluczowe działania techniczne obejmą:

1. Model predykcyjny – zbudujemy system, który będzie analizować jednocześnie wiele czynników: historię klienta, zawartość koszyka oraz kontekst (np. rodzaj urządzenia, porę dnia czy źródło wejścia na stronę).
2. Technologia Uplift Modeling – to unikalne podejście pozwoli nam mierzyć tzw. „efekt zachęty”. Dzięki temu system będzie uczył się, która konkretna akcja (np. darmowa dostawa, rabat kwotowy czy gratis) zadziała najlepiej na daną osobę.
3. Optymalizator akcji (Contextual Bandit) – będziemy wdrażać algorytm, który w ułamku sekundy podejmuje decyzję o wyświetleniu najskuteczniejszej propozycji w interfejsie sklepu.

Etap ten zakończy się stworzeniem kalibrowanego prototypu systemu doboru promocji. Opracowane rozwiązanie będzie potrafiło nie tylko przewidzieć prawdopodobieństwo zakupu, ale także wskazać optymalny wariant promocji, który z największą szansą skłoni klienta do płatności, dbając jednocześnie o rentowność sklepu. Gotowa technologia zostanie przygotowana do integracji z platformą Hummerce w warunkach rzeczywistych.

Chcemy wyeliminować konieczność ręcznego łączenia artykułów z produktami, co w dużych sklepach jest procesem powolnym i kosztownym. Dzięki nowym rozwiązaniom planujemy osiągnąć:

• Większą trafność oferty – automatyczne dopasowanie produktów do kontekstu, który aktualnie interesuje klienta, co bezpośrednio przekłada się na wyższą konwersję.
• Szybsze zarządzanie katalogiem – skrócenie czasu potrzebnego na przygotowanie rekomendacji produktowych dla nowych treści.
• Wysoką precyzję – naszym celem jest osiągnięcie trafności dopasowania na poziomie co najmniej 0,5 (według ocen eksperckich).

W tej fazie będziemy wdrażać zaawansowane technologie przetwarzania języka naturalnego (NLP) oraz modele generatywne. Kluczowe działania obejmą:

1. Inteligentne rozpoznawanie treści (NER) – zbudujemy model, który będzie analizować tekst na stronie i automatycznie wyłapywać z niego kluczowe informacje, takie jak nazwy własne czy kategorie produktów.
2. Wyszukiwanie semantyczne (FAISS) – stworzymy specjalny indeks podobieństwa, który pozwala systemowi w ułamku sekundy przeszukać całą bazę produktów i znaleźć te, które najlepiej pasują do sensu czytanego przez klienta tekstu.
3. Automatyczne generowanie opisów – wykorzystamy polskie modele językowe (np. Bielik lub PLT5), aby system potrafił samodzielnie tworzyć specyfikacje techniczne, instrukcje obsługi oraz teksty zoptymalizowane pod SEO na podstawie parametrów produktu.

Etap ten zakończy się stworzeniem prototypu mechanizmu rekomendacji produktów do treści strony. Będzie to gotowe narzędzie, które potrafi samodzielnie aktualizować asortyment promowany w różnych sekcjach serwisu w zależności od zmieniającej się oferty i preferencji klientów. Po pomyślnym zakończeniu tej fazy, technologia będzie gotowa do ostatniego kroku – pełnej integracji i sprawdzenia w rzeczywistym ruchu u naszych klientów.